Advertisement

Springer Nature is making SARS-CoV-2 and COVID-19 research free. View research | View latest news | Sign up for updates

Wirtschaftliche Bewertung von KI in der Praxis – Status Quo, methodische Ansätze und Handlungsempfehlungen

Economic Evaluation of AI in Practice: Status Quo, Methods and Recommendations for Action

Zusammenfassung

Im Zuge der voranschreitenden Digitalisierung rücken betriebswirtschaftliche Aspekte bei der Priorisierung von Transformationsvorhaben immer mehr in den Mittelpunkt. Besonders im produzierenden Gewerbe müssen sich Investitionen aufgrund des meist hohen Wettbewerbsdrucks und geringer Margen in relativ kurzer Zeit amortisieren, um umgesetzt zu werden. Während Identifikation, Entwicklung und technische Bewertung von Vorhaben schon recht gut gelingen und sich erste Vorgehensmodelle etabliert haben, fällt vielen Betrieben die wirtschaftliche Bewertung noch schwer. Vor allem bei Investitionen in Verfahren der künstlichen Intelligenz (KI), ist es heute noch kaum möglich, die Rentabilität zuverlässig zu bestimmen.

In diesem Beitrag wird die Problematik der wirtschaftlichen Bewertung von KI von verschiedenen Seiten beleuchtet. Ziel ist die Ableitung von Handlungsempfehlungen unter Berücksichtigung der besonderen Bedürfnisse produzierender Unternehmen. In einem ersten Schritt wird ein Überblick über die aktuelle Nutzung von KI im produzierenden Gewerbe gegeben und die Erwartungshaltung bezüglich der Möglichkeiten und Grenzen von KI kritisch betrachtet. Anschließend erfolgt eine Bestandsaufnahme von Ansätzen zur wirtschaftlichen Bewertung von Projekten, welche in der Praxis zur Anwendung kommen oder in der Wissenschaft diskutiert werden.

Abschließend werden konkrete Empfehlungen zur Umsetzung der Bewertung von Transformationsvorhaben gegeben. Darüber hinaus werden Forschungsbedarfe im Zusammenhang mit der betriebswirtschaftlichen Bewertung von KI offengelegt.

Methodisch basiert der Beitrag sowohl auf der Aufarbeitung einschlägiger Literatur zum Thema, als auch auf Erfahrungen, welche die Verfasser des Beitrags bei der Umsetzung zahlreicher KI-Projekte im produzierenden Gewerbe gewonnen haben.

Abstract

With the advancement of digitalisation, the importance of relevant economic aspects is gaining focus. Particularly in the production industry, where high competitive pressure and small margins are common, digitalisation projects need to be profitable within a short time in order to be implemented. While standard processes for the identification, development and technical evaluation of such projects have already been established, and have been successful in practice, the evaluation of their economic value remains challenging. This is particularly true in the field of artificial intelligence (AI), where a reliable determination of profitability has yet to reach a consensus.

In this article, we evaluate the difficulty regarding a reliable economic assessment of AI projects, discussing the problem from several different angles. Focusing on the particular requirements of the production industry, we give an overview of the current state of AI in practice, as well as critically evaluating common expectations of their potential and limits. Based on this, recommendations are given for how the economic value of such projects can be evaluated as well as for where future research effort should be focused.

The content of this article is based on both an analysis of relevant literature on the subject as well as the authors’ expertise in the field, acquired through numerous projects in the field of AI in the production industry.

This is a preview of subscription content, log in to check access.

Abb. 1

Notes

  1. 1.

    https://www.tensorflow.org/.

  2. 2.

    https://pytorch.org/.

  3. 3.

    https://aws.amazon.com/.

Literatur

  1. Adam T (2012) Die Bewertung von Innovationsideen – Eine empirische Analyse von Bewertungsdimensionen und sozialen Einflussfaktoren; Dissertation. Fakultät für Wirtschaftswissenschaften, Rheinisch-Westfälische Technische Hochschule Aachen. http://publications.rwth-aachen.de/record/82789. Zugegriffen: 31. Okt. 2019

  2. Andersen N, Boersch A, Blohmke J (2019) Deloitte Insights – Innovation in Europe. Deloitte University EMEA CVBA. https://www2.deloitte.com/content/dam/insights/us/articles/DE_897_Innovation-in-Europe/DI_Innovation-In-Europe.pdf. Zugegriffen: 22. Nov. 2019

  3. Bendel O (2019) Machine Learning. Springer Fachmedien Wiesbaden GmbH. https://wirtschaftslexikon.gabler.de/definition/machine-learning-120982/version-370915. Zugegriffen: 8. Sept. 2019

  4. Brynjolfsson E, McAfee A (2017) The Business of Artificial Intelligence. Harvard Business Review. https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence. Zugegriffen: 4. Sept. 2019

  5. Cooper R, Edgett S, Kleinschmidt E (2001) Portfolio management for new product development; Results of an industry practices study. R&D Manag 31:361–380. https://doi.org/10.1111/1467-9310.00225

  6. Garbade MJ (2018) Top 8 open source AI technologies in machine learning. Red Hat. https://opensource.com/article/18/5/top-8-open-source-ai-technologies-machine-learning. Zugegriffen: 4. Sept. 2019

  7. Gartner (2018) Hype cycle for emerging technologies. https://www.gartner.com/en/newsroom/press-releases/2019-04-02-gartner-forecasts-worldwide-public-cloud-revenue-to-g. Zugegriffen: 4. Sept. 2019

  8. Gartner (2019) Gartner forecasts worldwide public cloud revenue to grow 17.5 percent in 2019. https://www.gartner.com/en/newsroom/press-releases/2019-04-02-gartner-forecasts-worldwide-public-cloud-revenue-to-g. Zugegriffen: 4. Sept. 2019

  9. Handermann U, Robers D, Gleich R (2007) Innovationscontrolling im Dienstleistungssektor. Z Control Innov 2(1):32–37

  10. Janssen S, Möller K (2011) Erfolgreiche Steuerung von Innovationsprozessen und -projekten; Ergebnisse einer empirischen Studie. Z Control Manag 55:97–104. https://doi.org/10.1007/s12176-011-0031-9

  11. Linden A, Fenn J (2003) Understanding Gartner’s Hype Cycles. Gartner. https://www.bus.umich.edu/KresgePublic/Journals/Gartner/research/115200/115274/115274.pdf. Zugegriffen: 22. Nov. 2019

  12. Messerle M (2016) Methodik zur Identifizierung der erfolgversprechendsten Produktideen in den frühen Phasen des Produktentwicklungsprozesses; Dissertation. Institut für Konstruktionstechnik und Technisches Design, Universität Stuttgart. http://d-nb.info/112308257X/34. Zugegriffen: 31. Okt. 2019

  13. Möhrle MG (2018) Innovationsmanagement. Springer Fachmedien Wiesbaden GmbH. https://wirtschaftslexikon.gabler.de/definition/innovationsmanagement-39822/version-263222. Zugegriffen: 4. Sept. 2019

  14. Møller HT, Czaika E, Preis A, Aram A (2018) Artificial intelligence in Europe – Austria – outlook for 2019 and beyond. Microsoft; Ernst & young. https://pulse.microsoft.com/de-at/business-leadership-de-at/na/fa1-articial-intelligence-report-ein-ueberblick/. Zugegriffen: 22. Nov. 2019

  15. Reder B (2018) Studie machine learning/deep learning 2018. IDG business media GmbH. https://de.nttdata.com/-/media/NTTDataGermany/Files/2018-DE-Study-Machine-Learning.pdf. Zugegriffen: 22. Nov. 2019

  16. Roland Berger, IC Insights (2017) Global average sensor sales price from 2010 to 2020 (in U.S. dollars per unit). https://www.statista.com/statistics/736563/global-average-sales-price-of-smart-sensors. Zugegriffen: 4. Sept. 2019

  17. Schulze T, Indulska M, Geiger D, Korthaus A (2012) Idea assessment in open innovation: a state of practice proceedings of the 20th European conference on information systems. AIS

  18. Seifert I, Bürger M, Wangler L, Christmann-Budian S, Rohde M, Gabriel P, Zinke G (2018) Potenziale der künstlichen Intelligenz im produzierenden Gewerbe in Deutschland. iit-Institut für Innovation und Technik in der VDI/VDE Innovation + Technik GmbH. https://www.bmwi.de/Redaktion/DE/Publikationen/Studien/potenziale-kuenstlichen-intelligenz-im-produzierenden-gewerbe-in-deutschland.pdf?__blob=publicationFile&v=8. Zugegriffen: 28. Nov. 2019

  19. Sicular S (2019) Gartner hype cycle for artificial intelligence. Gartner. https://www.gartner.com/smarterwithgartner/top-trends-on-the-gartner-hype-cycle-for-artificial-intelligence-2019/. Zugegriffen: 22. Nov. 2019

  20. Smerlinski M, Stephan M, Gundlach C (2009) Innovationsmanagement in hessischen Unternehmen: Eine empirische Untersuchung zur Praxis in klein- und mittelständischen Unternehmen. Arbeitsgruppe für Technologie- & Innovationsmanagement, Philipps-Universität Marburg. https://www.econstor.eu/obitstream/10419/77076/1/751398764.pdf. Zugegriffen: 10. Sept. 2019

  21. Solon O (2018) The rise of ‘pseudo-AI’: how tech firms quietly use humans to do bots’ work. Guardian News & Media Limited. https://www.theguardian.com/technology/2018/jul/06/artificial-intelligence-ai-humans-bots-tech-companies. Zugegriffen: 4. Sept. 2019

  22. Zelewski S (1988) Ansätze zur Bewertung des Einsatzes Künstlicher Intelligenz in Industrieunternehmungen – aus produktiver und sozialer Sicht. https://www.pim.wiwi.uni-due.de/uploads/tx_itochairt3/publications/arbeitsbericht_nr_24.pdf. Zugegriffen: 25. Nov. 2019

Download references

Author information

Correspondence to Maximilian Ulrich.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Ulrich, M., Bachlechner, D. Wirtschaftliche Bewertung von KI in der Praxis – Status Quo, methodische Ansätze und Handlungsempfehlungen. HMD 57, 46–59 (2020). https://doi.org/10.1365/s40702-019-00576-9

Download citation

Schlüsselwörter

  • Künstliche Intelligenz
  • Return on Investment
  • Innovation
  • Bewertung
  • Praxis

Keywords

  • Artificial intelligence
  • Return on investment
  • Innovation
  • Evaluation
  • Practice